Persian
Language
Geographical Research is Published in Persian Fulltext.
دوره 32، شماره 1 - ( 1396 )
جلد 32 شماره 1 صفحات 162-149 |
برگشت به فهرست نسخه ها
نوع مقاله:
موضوع مقاله:
History
دریافت: 1395/11/22 | پذیرش: 1396/2/15 | انتشار: 1396/3/23
دریافت: 1395/11/22 | پذیرش: 1396/2/15 | انتشار: 1396/3/23
How to cite this article
Marofi S, Norooz Valashedi R, Golkar F. Modeling Monthly Rainfall in Southern Baluchestan Basin. GeoRes 2017; 32 (1) :149-162
URL: http://georesearch.ir/article-1-109-fa.html
URL: http://georesearch.ir/article-1-109-fa.html
معروفی صفر، نوروز ولاشدی رضا، گلکار فروغ. مدل سازی پیشیابی بارش ماهانه در حوضه آبریز بلوچستان جنوبی. فصلنامه تحقیقات جغرافیایی. 1396; 32 (1) :149-162
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Rights and permissions
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Authors
صفر معروفی*1، رضا نوروز ولاشدی2، فروغ گلکار2
1- گروه علوم و مهندسی آب ،دانشگاه بوعلی سینا ،همدان،ایران ، smarofi@yahoo.com
2- گروه هواشناسی کشاورزی ،دانشگاه بوعلی سینا، همدان،ایران
2- گروه هواشناسی کشاورزی ،دانشگاه بوعلی سینا، همدان،ایران
چکیده (5401 مشاهده)
افزایش رخداد بارشهای حدی و از سوی دیگر عدم بارش در یک گستره، خسارات قابل توجهی در دهه‌های اخیر به بوم‌سامانه‌های طبیعی و مصنوعی وارد ساخته است. از این رو پیشیابی مقادیر بارش برای مدیریت مناسب منابع آبی در این گسترهها بسیار اهمیت دارد. هدف این پژوهش پیشنهاد مدل و بررسی دقت پیشیابی بارش ماهانه با روشهای شبکه عصبی مصنوعی و مدلهای تصادفی در پهنه جنوب شرق کشور واقع در استان سیستان و بلوچستان میباشد. این منطقه به لحاظ تاثیرپذیری از سامانههای گوناگون بارانزا و کمی متفاوت از سایر مناطق کشور، دارای رژیم بارش رگباری نامنظم و تقریبا پیچیدهای است. پیشیابی بارش معرف منطقه با استناد بر روشهای سری زمانی ساریما و شبکه عصبی با تاخیر زمانی انجام گرفت. دادههای مورد بررسی شامل سری بارش ماهانه دوره آماری 52-1351 تا 88-1387 برای ایستگاه‌های منتخب منطقه میباشد، که بر پایه پراکنش مناسب ایستگاه‌ها و کیفیت دادهها برگزیده شدند. مقایسه نتایج پیشیابی دو روش مورد بررسی نشان از برتری روش شبکه عصبی تاخیر زمانی نسبت به سری زمانی ساریما برای گستره مطالعاتی دارد. این امر به تاثیر سامانههای مختلف بارانزا، رژیم بارشهای رگباری و بسیار پراکنده پهنه جنوب شرق کشور مربوط می‌‌شود.
واژه‌های کلیدی:
فهرست منابع
1. آشگر طوسی، شادی (1382). پیش‌بینی وقوع خشکسالی در استان خراسان. پایان‌نامه کارشناسی ارشد، دانشگاه فردوسی مشهد، دانشکده کشاورزی، گروه مهندسی آب.
2. ایلدرمی، علیرضا، زارع ابیانه، حمید، بیات ورکشی، مریم (1392)، برآورد بارش به کمک شبکه عصبی مصنوعی با داده های هواشناسی غیر بارشی در سه منطقه شیراز، مشهد و کرمان، مجله جغرافیا و برنامه ریزی، شماره 43، صص 40-21.
3. بابازاده، حسین، شمس نیا، امیر، بوستانی، فردین، نوروزی اقدم، الناز، خدادای دهکردی، داوود (1391)، بررسی خشکسالی و ترسالی و پیش‌بینی پارامترهای خشکسالی بارش و درجه حرارت منطقه شیراز با استفاده از روش های استوکستیک، مجله جغرافیا و برنامه ریزی، شماره 41، صص 47-23.
4. بایزیدی، مطلب، سی و سه مرده، معروف، عصرآگاه، آزیتا (1395)، پیش بینی و بررسی روند خشکسالی هواشناسی با استفاده از سری زمانی (مطالعه موردی: حوضه آبریز سلماس)، مجله محیط زیست و مهندسی آب، شماره 4، صص 359-346.
5. جهانگیر، علیرضا، رائینی، محمود، احمدی، میرخالق (1387)، شبیه سازی فرآیند بارش- رواناب با شبکه عصبی مصنوعی و مقایسه با مدل HEC-HMS حوضه معرف کارده، مجله آب و خاک، شماره 22، صص 84-72.
6. حسینعلی زاده، محسن، حسنعلی زاده، نفیسه، بابانژاد، منوچهر، رضا نژاد، محسن (1393)، پیش بینی بارش ماهانه با استفاده از بسته های تخصصی سری های زمانی در محیط نرم افزار R (مطالعه موردی: ایستگاه اراز کوسه استان گلستان)، نشریه حفاظت و بهره برداری از منابع طبیعی، شماره 2 صص 12-1.
7. حلبیان، امیرحسین و دارند، محمد (1391). پیش‌بینی بارش اصفهان با استفاده از شبکه عصبی مصنوعی، مجله علوم جغرافیایی، شماره 26، صص 63-47.
8. خرمی، مصطفی، بزرگ‌نیا، اابوالقاسم (1386)، تجزیه و تحلیل سری‌های زمانی با نرم‌افزار MINITAB14، نشر سخن گستر.
9. خسروی، محمود و شکیبا، هانیه (1389)، پیش‌بینی بارش با استفاده از شبکه‌های عصبی مصنوعی به منظور مدیریت سیل، مورد: شهرستان ایرانشهر، مجموعه مقالات چهارمین کنگره بین‌‌المللی جغرافیدانان جهان اسلام. ایران-زاهدان.
10. رضایی، مریم، نهتانی، مریم، مقدم نیا، علیرضا، آبکار، علیجان، رضایی، معصومه (1394)، مقایسه روش های شبکه عصبی مصنوعی و SDSM در ریز مقیاس کردن اندازه بارش سالانه مطالعه موردی کرمان، راور و رابر، مجله مهندسی منابع آب، شماره 24، صص 40-25.
11. شبانکاری مهران، حلبیان امیرحسین (1391)، تحلیل همدید ارتباط بین نوسان بارش روزانه در کرانه‌های جنوبی ایران و تغییرات فشار تراز دریا، فصلنامه تحقیقات جغرافیایی، دوره 27، شماره 104، صص 184-165.
12. عبداله نژاد، کامل (1394)، مدل های تصادفی سری زمانی در پیش بینی بارندگی ماهانه (مطالعه موردی ایستگاه هاشم آباد گرگان)، مجله آمایش جغرافیایی فضا، شماره 17.
13. فیضی، وحید، فرج زاده، منوچهر، نوذری، رباب (1389)، مطالعه تغییر اقلیم در استان سیستان و بلوچستان به روش من-کندال، مجموعه مقالات چهارمین کنگره بین المللی جغرافیدانان جهان اسلام، ایران-زاهدان.
14. کارآموز، محمد، عراقی نژاد، شهاب (1384)، هیدرولوژی پیشرفته، انتشارات دانشگاه امیر کبیر.
15. گندمکار، امیر (1387)، بررسی روند تغییرات بارش در زابل، اولین کنفرانس بین المللی بحران آب، دانشگاه زابل.
16. مسعودیان، ابوالفضل (1382)، بررسی پراکندگی جغرافیایی بارش در ایران به روش تحلیل عاملی دوران یافته، فصلنامه جغرافیا و توسعه، شماره 1، صص 79-88.
17. امیدوار، کمال، نبوی زاده، معصومه، میثم ثمره، قاسم (1394)، ارزیابی دقت شبکه عصبی مصنوعی بازگشتی نارکس در پیش‌بینی بارش روزانه در استان کرمان. فصلنامه جغرافیای طبیعی، شماره 27، صص 90-73.
18. Ahhashimi, Sh. (2014), Prediction of monthly rainfall in Kirkuk using artifitial neural network and time series models. Journal of engineering and development, 18 (1), pp.129-142
19. Ahmad, S., Simonovic, S. (2005), An artificial neural network model for generating hydrograph from hydro-meteorological parameters. Journal of Hydrology, 315(1), pp.236-251
20. Bloomfield, P., Nychka, D. (1992), Climate spectra and detecting climate change. Climatic Change, 21(3), 275-287
21. Box, G., Jenkins, G., Reinsel, G. (2013), Time series analysis, forecasting and control: John Wiley and Son
22. Burlando, P., Montanari, A., and Ranzi, R. (1996), Forecasting of storm rainfall by combined use of radar, rain gages and linear models. Atmospheric research, 42(1), pp.199-216.
23. Canova, F., Bruce, H. (1995), Are seasonal patterns constant over time? A test for seasonal stability. Journal of Business and Economic Statistics, 13(3), pp.237-252.
24. Dayhoff, J. (1990), Neural Network Principles. Prentice-Hall International, U.S.A.
25. Dickey, D., Fuller, W. (1979), Distribution of the estimators for autoregressive time series with a unit root. Journal of the American statistical association, 74(366a),pp. 427-431.
26. Enders, W.(2008), Applied econometric time series, John Wiley and Sons.
27. Enders, Walters (1995), Applied econometric time series, John Wiley and Sons.
28. Eric, A. (2010), Modeling and Forecasting Inflation Rates in Ghana: an Application of SARIMA Models, dissertation. Thesis of M.S. submitted to the School of Technology and Business Studies.
29. Folland, Ch. (1990), Observed Climatic Variation and Change, Climate Change: The IPCC Scientific Assessment. Cambridge University Press. pp.195-238.
30. Fox, D. (1981), Judging air quality model performance. Bulletin of the American Meteorological Society, 62(5), pp. 599-609.
31. Franses, Ph., Hobijn, B. (1997), Critical values for unit root tests in seasonal time series. Journal of Applied Statistics, 24(1), pp. 25-48.
32. French, M., Krajewski, W., Cuykendall, R. (1992), Rainfall forecasting in space and time using a neural network. Journal of Hydrology, 137(1), pp.1-31.
33. Hamilton, J. (1994), Time series analysis. vol (2). Princeton university press Princeton.
34. Hansen, J. (1988), Global surface air temperature. Geology Letter,(15), pp. 323-326.
35. Hung, N., Babel, M., Weesakul S.,thripathi, N. (2009), An artifitual neural network model for rainfall forcasting in Bangkok, Tailand. Hydrology and Earth System Science, 13, pp.1414-1425.
36. Hylleberg, S., Engle, R., Granger, C., Yoo, B. (1990), Seasonal integration and cointegration. Journal of econometrics, 44(1), pp.215-238
37. Jones, P., Raper, S., Bradley, R., Diaz, H., Kellyo, P., Wigley, T.(1986), Northern Hemisphere surface air temperature variations: 1851-1984. Journal of Climate and Applied Meteorology, 25(2), pp.161-179.
38. Kheradmand-Nia, M., Asakereh, H.(2001), Pattering of ARIMA for Annual Average Temperature in Jask (Iran),, Paper presented at the 3rd Conference of Stochastic Process, Isfahan University.
39. Kleiber, Ch. (2008). Applied Econometrics with R., Springer Science Business Media, LLC, NY, USA.
40. Kumar, A. (2000), Dispersion and risk modeling. Department of Civil Engineering, University of Toledo.
41. Kumar, S., Tripathy, D., Nayak, S., Mohaparta, S. (2013), Prediction of rainfall in India using artifitial neural network models. International Journal of intelligent system and applications, 12, pp.1-22.
42. Maleki, M.(1989), Investigation and Modeling of Temperature and Rainfall in West Country. 184 pp.
43. Mislan, H., Hardwinarto, S. Aipassa, M. (2015), Rainfall monthly prediction based on artifitual neural network: a case study in Tenggarong station, east Kalimantan, Indonesia. International confrence in computer science and computational intelligent, pp.142-151.
44. Nayak, D., Mahapatra, A., Mishra, P. (2013), A survey on rainfall prediction using artificial neural network. International journal of computer applications, 72 (16), pp.32-40.
45. Noakes, D., McLeod, I., Hipel, K. (1985), Forecasting monthly riverflow time series. International Journal of Forecasting, 1(2), pp.179-190.
46. Paras, D., Mathur, S. (2012), A simple weather forecasting model using mathematical regression. Indian research journal of extension education, 1, pp.161-169.
47. Pfaff, B. (2008), Analysis of integrated and cointegrated time series with R, Springer.
48. Rasuli, A.(2002), Modeling of Climate Parameters in Country North-West. Forecasting Monthly Temperature of Tabriz City (Iran) by ARIMA model. Tabriz University, Journal of Sociology Science, 8.
49. Rivero, C. Pucheta, J. (2014), Forecasting rainfall time series with stochastic output approximatted by neural networks Bayesian approach. International journal of advanced computer science and applications, 5 (6), pp.145-151..
50. Shumway, R., Stoffer, D. (2010), Time series analysis and its applications: with R examples: Springer
51. Taylor, R. (1997), On the practical problems of computing seasonal unit root tests. International Journal of Forecasting, 13(3), pp.307-318
52. Valverde Ramírez, M., de Campos Velho, H., Ferreira, N. (2005), Artificial neural network technique for rainfall forecasting applied to the Sao Paulo region. Journal of Hydrology, 301(1),pp. 146-162.
53. Yevjevich, V. (1987), Stochastic models in hydrology, Stochastic Hydrology & Hydraulics, 1, pp.17-36.
54. Addiscott, T., Whitmore, S. (1987), Computer simulation of changes in soil mineral nitrogen and crop nitrogen during autumn, winter and spring, The Journal of Agricultural Science, 109(01), pp. 141-157